Relevant bibliographies by topics / Нейронна мержа

Academic literature on the topic 'Нейронна мержа'

Author: Grafiati
Published: 30 May 2022
Last updated: 31 May 2022

Create a spot-on reference in APA, MLA, Chicago, Harvard, and other styles

Select a source type:

Contents

Consult the lists of relevant articles, books, theses, conference reports, and other scholarly sources on the topic 'Нейронна мержа.'

Next to every source in the list of references, there is an 'Add to bibliography' button. Press on it, and we will generate automatically the bibliographic reference to the chosen work in the citation style you need: APA, MLA, Harvard, Chicago, Vancouver, etc.

You can also download the full text of the academic publication as pdf and read online its abstract whenever available in the metadata.

Journal articles on the topic "Нейронна мержа"

1

Koshel, А. "Перспективні напрямки застосування нейронних мереж у конструкторській діяльності." COMPUTER-INTEGRATED TECHNOLOGIES: EDUCATION, SCIENCE, PRODUCTION, no. 46 (April 1, 2022): 57–63. http://dx.doi.org/10.36910/6775-2524-0560-2022-46-08.

Full text
Abstract:
У статті описано перспективні напрямки застосування нейронних мереж у конструкторській діяльності. Наголошено, що в умовах сьогодення нейромережеві технології знайшли застосування в економіці, медицині, промисловості, багатьох інших галузях науки і техніки, здатні вирішувати практично будь-які завдання, пов'язані з моделюванням, прогнозуванням, оптимізацією. Наголошено на проблематиці дослідження, підкреслено, що виробничі процеси характеризуються величезним розмаїттям динамічно взаємодіючих параметрів і зазвичай надто складні до створення адекватних аналітичних моделей, а у деяких випадках вдалі з погляду адекватності описуваному процесу аналітичні математичні моделі виявляються неспроможними через високі вимоги до обчислювальної потужності. Запропоновано дві моделі нейронних мереж: глибока нейронна мережа та згорткова нейронна мережа, робота яких направлена на використання у конструкторській діяльності яка спрямована на проектування лонжерону автомобіля. Описано та схематично запропоновано блок-схему зворотного проектування профілів лонжеронів, а також сформовано багатошарову архітектуру згорткової нейронної мережі, яка використовується у конструкторській діяльності, яка складається із згорткового шару, шару об’єднання та повністю пов’язаного шару та сформовано архітектуру глибокої нейронної мережі, яка використовується у конструкторській діяльності направленій на проектування лонжерону автомобіля. Наголошено, що на відміну від моделі згорткової нейронної мережі, дані навантаження розглядаються як ціле, а не поділяються на статичні та динамічні, а зворотне проектування з використанням глибокої нейронної мережі здійснюється за допомогою стандартних бібліотек. Підкреслюється, що нейромережеві технології можуть бути корисними при створенні набору базових програмних моделей-блоків, наділених певними властивостями, що відповідають деяким реальним процесам або явищам, для подальшого їх комбінування в більш складних системах конструювання. Причому найскладніша частина такого набору модулів це саме середовище взаємодії таких блоків, яке у перспективі також може бути побудовано на основі нейронних мереж.
APA, Harvard, Vancouver, ISO, and other styles
2

Zhukovskyy, V. V., S. V. Shatnyi, and N. A. Zhukovska. "Нейронна мережа для розпізнавання та класифікації картографічних зображень ґрунтових масивів." Scientific Bulletin of UNFU 30, no. 5 (November 3, 2020): 100–104. http://dx.doi.org/10.36930/40300517.

Full text
Abstract:
Запропоновано нейронну мережу для розпізнавання картографічних зображень ґрунтових масивів та класифікації ландшафтних ділянок за типами ґрунтових масивів із використанням нейронної мережі. Описано підходи до проектування архітектури, методів навчання, підготовки даних для проведення навчання, тренування та тестування нейронної мережі. Розроблено структурно-функціональну схему нейронної мережі, яка складається із вхідного, прихованих та вихідного шарів, кожен окремий нейрон описано відповідною активаційною функцією із підібраними ваговими коефіцієнтами. Показано доцільність застосування кількості нейронів, їх тип та архітектуру для проведення задачі розпізнавання та класифікації ділянок на кадастрових картах. Як вихідні дані використано відкриті державні інформаційні ресурси, в яких виділено окремі ділянки за типами ґрунтів, їх поширення та сформовано базу даних для навчання та тренування нейронної мережі. Проаналізовано ефективність, швидкодію та точність роботи нейронної мережі, зокрема, проведено комп'ютерну симуляцію із використанням сучасного програмного забезпечення та математичне моделювання обчислювальних процесів у середині структури нейронної мережі. Розроблено програмні засоби для попередньої підготовки та оброблення вхідних даних, подальшого тренування та навчання нейронної мережі та безпосередньо процесу розпізнавання та класифікації. Відповідно до отриманих результатів, розроблена модель та структура нейромережі, її програмні засоби реалізації показують високу ефективність як на етапі попереднього оброблення даних, так і загалом на етапі класифікації та виділення цільових ділянок ґрунтових масивів. Надалі наступним етапом досліджень є розроблення та інтеграція програмно-апаратної системи на основі розпаралелених та частково розпаралелених засобів обчислювальної техніки, що дасть змогу значно пришвидшити обчислювальні операції, досягти виконання процесів навчання та тренування нейронної мережі в режимі реального часу та без втрати точності. Подані наукові та практичні результати мають високий потенціал для інтеграції в сучасні інформаційно-аналітичні системи, системи аналізу та моніторингу за станом навколишнього середовища, технологічними об'єктами та об'єктами промисловості.
APA, Harvard, Vancouver, ISO, and other styles
3

Харченко, Н., and В. Сердаковський. "Нейронна мережа для діагностики хвороби Паркінсона за зображенням спіралі Архімеда." COMPUTER-INTEGRATED TECHNOLOGIES: EDUCATION, SCIENCE, PRODUCTION, no. 45 (December 23, 2021): 54–58. http://dx.doi.org/10.36910/6775-2524-0560-2021-45-08.

Full text
Abstract:
У статті розглянуто актуальну проблему встановлення діагнозу Паркінсона на ранніх стадіях захворювання. Вибір теми дослідження обумовлено невиліковністю хвороби Паркінсона, отже вкрай гостро, на думку авторів є нагальне виявлення захворювання на ранніх стадіях. Констатовано, що діагностики, для точного встановлення діагнозу нині не існує, тому залишається проведення тестів для виявлення симптомів. Одним з таких, як слушно зауважують автори є малювання спіралі Архімеда, яке має доволі високу точність під час виявлення тремору спокою. Створення алгоритму для автоматичної обробки таких зображень може допомогти у проведені діагностики, а також моніторингу розвитку хвороби. Поєднання штучного інтелекту та інтернет медичних речей з часом зробить підключені пристрої для моніторингу стану здоров’я більш інтелектуальними. Нейронні мережі та величезні обсяги даних, що генеруються інтернет медичних речей, також можуть використовуватися для встановлення діагнозу. Авторами статті наголошено на фундаментальних можливостях нейронних мереж, їх сприятливій ролі у трансформації сфери радіології, шляхом заощадження часу та грошей медичних організацій. Розроблено нейронну мережу, яка зможе за зображенням намальованої спіралі Архімеда встановити діагноз. Дану мережу можна використовувати для проведення ранньої діагностики, а також подальшого моніторингу стану хвороби. Зважаючи на невелику вибірку зображень для навчання та тренування моделі авторами статті було прийняте рішення про збільшення вибірки шляхом перетворення зображень, а також використання згорткової нейронної мережі з попереднім навчанням. У результаті проведеної роботи було створено модель, яка має точність 93.7 відсотків яка дозволить автоматизувати процес діагностики хвороби на ранніх стадіях.
APA, Harvard, Vancouver, ISO, and other styles
4

Molodets, Bohdan, and Тatyana Bulanaya. "Аналіз існуючих варіантів класифікації хворих на серцево-судинними захворюваннями за допомогою нейронними мережами." System technologies 5, no. 130 (May 4, 2020): 71–78. http://dx.doi.org/10.34185/1562-9945-5-130-2020-09.

Full text
Abstract:
Робота присвячена аналізу інформаційних технологій хронобіологічного моніторингу кардіосистем, розробці систему підтримки прийняття рішень для лікаря-дослідника на базі методів класифікації з використанням нейронних мереж таких як імовірностна неронна мережа PNN (Probabilistic Neural Networks), багатошаровий персептрон MLP NN (Multi-Layer Perceptron), каскадно-кореляційна мережа CasCor (Cascade Correlation). У результаті отримано наступне: найкращим класифікатором є нейромережа каскадної кореляції з 85-88% точністю класифікації. Найгіршим класифікатором стала ймовірнісна нейронна мережа, оскільки точність цього алгоритму залежить від розміру набору даних.
APA, Harvard, Vancouver, ISO, and other styles
5

Давидько, О. Б., А. О. Ладік, В. Б. Максименко, М. І. Линник, О. В. Павлов, and Є. А. Настенко. "КЛАСИФІКАЦІЯ УРАЖЕНЬ ЛЕГЕНЬ ПРИ COVID-19 НА ОСНОВІ ТЕКСТУРНИХ ОЗНАК ТА ЗГОРТКОВОЇ НЕЙРОННОЇ МЕРЕЖІ." Біомедична інженерія і технологія, no. 6 (November 17, 2021): 19–28. http://dx.doi.org/10.20535/2617-8974.2021.6.231887.

Full text
Abstract:
Реферат – Проблематика. Визначення структури ураження легеневої тканини хворих на COVID-19 по типовим ознакам «матове скло», «бруківка», «консолідація» є важливою складовою обґрунтування діагнозу та лікувальних заходів на поточний момент терапії пацієнта. Найбільш поширеним засобом визначення стадії та типу ураження дихальних шляхів є аналіз рентген зображень та комп’ютерної томографії (КТ). Оскільки особливістю вірусної пневмонії SARS-CoV-2 є швидкий перехід від легких стадій до важких з розвитком цитокинового шторму і розповсюдження вірусу в артеріальний кровотік, то надійний та швидкий аналіз КТ зображень легень пацієнта є запорукою прийняття своєчасних лікувальних заходів. В даній роботі розглядаються можливості застосування засобів штучного інтелекту для вирішення задачі класифікації уражень легень при захворюванні COVID-19. Мета. Метою роботи є створення класифікаційної системи типу уражень легень при COVID-19 по типовим ознакам «матове скло», «бруківка», «консолідація» на основі згорткової нейронної мережі CNN та текстурних ознак, джерелом яких є матриці суміжності GLCM при різних значеннях кутів напрямку аналізу. Методика реалізації. Оскільки основою відмінностей різних типів ураження легеневої тканини на КТ зображеннях є відмінності у їх текстурних характеристиках, то в основу простору ознак класифікаційної системи закладемо елементи гістограм на основі матриць суміжності областей інтересу КТ зображень легень. У зв’язку з високими якостями перетворення простору ознак до потреб задач класифікації згортковими шарами мережі, засобом побудови класифікатора пропонується застосувати згорткову нейронну мережу. Для навчання системи ДУ “«Національний інститут фтизіатрії і пульмонології ім. Ф.Г. Яновського НАМН України» було надано 794 КТ зрізів від 20 пацієнтів із масками зображень, на яких виділені 4714 зони інтересу з означеними типами уражень легень. Була побудована модель семишарової згорткової нейронної мережі: із чотирма згортковими шарами, після перших трьох з яких йдуть агрегувальні шари. На вхід згорткової нейронної мережі одночасно подаються текстурні ознаки двох GLCM, які були отримані із сегментованих КТ зображень під різними кутами. В якості функції втрат була використана NLLLOSS. Шар активації Softmax визначає результат задачі класифікації. Результати дослідження. Побудована згорткова нейронна мережа на тестовій вибірці з 472 зображень має загальну точність класифікації у 83%, на класі «матове скло» - 90,1%, «бруківки» - 70,5%, «консолідація» – 54,2% та на робочій вибірці з 4714 ROI зображень має загальну точність у 98%, на класі «матове скло» - 98,6%, «бруківка» - 96,8%, «консолідація» – 95,4% Висновки. В роботі одержано модель з високою ефективністю класифікації типу уражень легень при COVID-19. Класифікатор побудовано на основі згорткової нейронної мережі та ознак текстури, джерелом яких є матриці суміжності областей інтересу КТ зображень легень. Ключові слова – GLCM, матриця суміжності, область інтересу, комп’ютерна томографія, COVID-19, згорткова нейронна мережа, ураження легень, матове скло, бруківка, консолідація.
APA, Harvard, Vancouver, ISO, and other styles
6

Поляченко, A. "Згорткова нейронна мережа для класифікації томографічних і рентгенівських знімків в системі розпізнавання." КОМП’ЮТЕРНО-ІНТЕГРОВАНІ ТЕХНОЛОГІЇ: ОСВІТА, НАУКА, ВИРОБНИЦТВО, no. 36 (November 27, 2019): 128–33. http://dx.doi.org/10.36910/6775-2524-0560-2019-36-15.

Full text
Abstract:
У роботі запропоновано та побудовано систему розпізнавання томографічних і рентгенівських знімків для пошуку і локалізації патологій. Дана система включає блоки: введення інформації про пацієнта, обробки медичних зображень, для встановлення висновку, для класифікації виявлених патологій, базу даних, підготовки звіту. У статті приділено увагу особливостям розробки згорткової нейронної мережі для класифікації томографічних і рентгенівських знімків в системі розпізнавання, призначеної для пошуку і локалізації патологій. В результаті, було запропоновано згорткову нейронну мережу для класифікації томографічних і рентгенівських знімків в запропонованій системі розпізнавання, призначеної для пошуку і локалізації патологій.
APA, Harvard, Vancouver, ISO, and other styles
7

Ялова, Катерина Миколаївна, Ксенія Володимирівна Яшина, and Вікторія Олександрівна Коротка. "НЕЙРОННА МЕРЕЖА ДЛЯ КРИПТОГРАФІЧНОЇ СИСТЕМИ З ВІДКРИТИМ КЛЮЧЕМ." Математичне моделювання, no. 1(42) (June 11, 2020): 137–44. http://dx.doi.org/10.31319/2519-8106.1(42)2020.207015.

Full text
APA, Harvard, Vancouver, ISO, and other styles
8

Шликов, Владислав, and Олег Воляник. "НЕЙРОННА МЕРЕЖА ДЛЯ ВИЯВЛЕННЯ АРТЕФАКТІВ НА КТ-ЗОБРАЖЕННЯХ." Біомедична інженерія і технологія, no. 3 (February 16, 2020): 17–24. http://dx.doi.org/10.20535/2617-8974.2020.3.195555.

Full text
APA, Harvard, Vancouver, ISO, and other styles
9

ВАКАЛЮК, Тетяна, Сергій ІЛЮЩЕНКО, Юрій ЄФРЕМОВ, Олег ВЛАСЕНКО, and Дмитро ЛИСОГОР. "ТЕОРЕТИЧНІ АСПЕКТИ РОЗРОБКИ СИСТЕМИ РОЗПІЗНАВАННЯ ЛЮДСЬКОГО ОБЛИЧЧЯ." INFORMATION TECHNOLOGY AND SOCIETY, no. 1 (May 12, 2022): 6–15. http://dx.doi.org/10.32689/maup.it.2022.1.1.

Full text
Abstract:
Анотація. Система розпізнавання облич – це технологія, здатна зіставляти людське обличчя з цифровим зображенням або відеокадром з базою даних осіб, зазвичай використовується для автентифікації користувачів за допомогою служб перевірки особистості, працює шляхом точного визначення і вимірювання рис обличчя по даному зображенню. Системи розпізнавання обличчя використовуються сьогодні в усьому світі урядами та приватними компаніями, їх ефективність різна, і деякі системи раніше були списані через їх неефективність. Отже, створення програми для розпізнавання людського обличчя є актуальною темою. Метою статті є дослідження теоретичних аспектів розробки системи розпізнавання людського обличчя. Процедура розпізнавання обличчя просто вимагає, щоб будь-який пристрій, оснащений цифровою фотографічною технологією, генерував і отримував зображення та дані, необхідні для створення та запису біометричного малюнка обличчя людини, якого необхідно ідентифікувати. Розглянуто основні алгоритми розпізнавання людського обличчя: розпізнавання обличчя з використанням різних поверхонь облич, метод облич Фішера, метод аналізу головних компонентів та машина опорних векторів, метод каскадів Хаара. Наведено їх переваги та недоліки. Наведено застосування згорткової нейронної мережі до розпізнавання облич. Запропоновано реалізацію алгоритму роботи системи розпізнавання обличчя. В даній роботі проаналізовано наявні алгоритми та системи виявлення та розпізнавання обличчя, зважені їх переваги та недоліки. Розглянуто використання згорткової нейронної системи з метою розпізнавання обличчя. Проаналізовано на практиці відсоток точності розпізнавання людського обличчя та продуктивність, враховуючі такі фактори як освітлення, якість зображення, кількість облич на зображенні використовуючи бібліотеку з відкритим вихідним кодом Face recognition із сімейства бібліотек DLib в основі якої лежить згорткова нейронна мережа.
APA, Harvard, Vancouver, ISO, and other styles
10

Асадуллаев, Рустам Геннадьевич, and Николай Иванович Кузьменко. "Технология интеллектуального распознавания сельскохозяйственных культур нейронной сетью по мультиспектральным многовременным данным дистанционного зондирования Земли." Экономика. Информатика 49, no. 1 (March 30, 2022): 159–68. http://dx.doi.org/10.52575/2687-0932-2022-49-1-159-168.

Full text
Abstract:
В данной работе представлена технология распознавания сельскохозяйственных культур по данным дистанционного зондирования Земли. Апробация технологии была проведена на сельскохозяйственных землях Белгородской области Российской Федерации. В соответствии со статистикой севооборота были выбраны следующие сельскохозяйственные культуры: пшеница, ячмень, кукуруза, подсолнечник, соя, сахарная свекла, многолетние травы и пары. В качестве входных данных были использованы мультиспектральные снимки со спутника Sentinel-2 уровня обработки MSI L2A, а именно каналы RGB-спектра, SWIR и NIR. Из полученных данных были составлены временные ряды в вегетационные периоды за 2018–2020 годы. Разработан алгоритм устранения пропусков данных в дни высокой облачности для повышения качества распознавания. В качестве модели классификатора была использована сверточно-рекуррентная нейронная сеть. Разработанная модель на тестовых данных показала общую меру точности f-мера 88,7 %. Предложенная архитектура нейронной сети также применима в других регионах со схожей посевной структурой, фенологическими показателями культур и схожими климатическими условиями.
APA, Harvard, Vancouver, ISO, and other styles
More sources

Dissertations / Theses on the topic "Нейронна мержа"

1

Кохан, С. А., and В. І. Руженцев. "Використання штучних нейронних мереж у криптоаналізі блочного симетричного шифру AES." Thesis, ВА ЗС АР; НТУ "ХПІ"; НАУ, ДП "ПДПРОНДІАВІАПРОМ"; УмЖ, 2021. https://openarchive.nure.ua/handle/document/15759.

Full text
Abstract:
Метою доповіді є аналіз атаки на шифр AES. Для реалізації атаки за допомогою нейронних мереж може знадобитися менша кількість пар відкритих та закритих текстів, ніж для реалізації атаки перебором. Наведені результати показують, що дуже важливим є вибір топології нейронної мережі, її тип, а також кількість біт яка використовується для її навчання.
APA, Harvard, Vancouver, ISO, and other styles
2

Греков, І. С., and М. Г. Заворотна. "Классификация нейронных сетей." Thesis, Кременчуцький льотний коледж, 2019. http://openarchive.nure.ua/handle/document/9373.

Full text
Abstract:
В настоящий момент в мире бурно развивается новая прикладная область математики, специализирующаяся на искусственных нейронных сетях. Актуальность исследований в этом направлении обусловлена возможностями применения нейронных сетей в самых разных областях.
APA, Harvard, Vancouver, ISO, and other styles
3

Булашенко, Андрій Васильович, Андрей Васильевич Булашенко, Andrii Vasylovych Bulashenko, and В. О. Коваль. "Ймовірнісна нейронна мережа." Thesis, Видавництво СумДУ, 2010. http://essuir.sumdu.edu.ua/handle/123456789/21033.

Full text
APA, Harvard, Vancouver, ISO, and other styles
4

Ковнер, А. А. "Нейронні мережі в робототехніці." Thesis, Сумський державний університет, 2018. http://essuir.sumdu.edu.ua/handle/123456789/67036.

Full text
Abstract:
Штучна нейронна мережа (ШНМ) – математична модель, або її програмне втілення, яка побудована на принципі функціонування біологічних нейронних мереж. ШНМ – це система з’єднаних між собою простих процесорів, які виконують роль так званих «штучних нейронів».
APA, Harvard, Vancouver, ISO, and other styles
5

Чернишов, Д. І. "Інформаційна технологія інтелектуального розпізнавання малорозмірних об'єктів на місцевості." Master's thesis, Сумський державний університет, 2018. http://essuir.sumdu.edu.ua/handle/123456789/72121.

Full text
Abstract:
Розроблено модель та обрано алгоритм навчання детектора малорозмірних об'єктів на зображенні місцевості на основі технології глибоких нейронних мереж, розроблено програмну реалізацію детектора на мові python.
APA, Harvard, Vancouver, ISO, and other styles
6

Бурау, Н. І., and С. С. Рупіч. "Нейронна мережа для багатокласової дiагностики об’єктiв." Thesis, НТУ "ХПІ", 2016. http://repository.kpi.kharkov.ua/handle/KhPI-Press/25891.

Full text
APA, Harvard, Vancouver, ISO, and other styles
7

Азарова, А. О., and О. В. Антонюк. "Математичне моделювання конкурентної сили підприємства з використанням нечітко-нейронних технологій." Thesis, ВНТУ, 2009. http://ir.lib.vntu.edu.ua//handle/123456789/23614.

Full text
APA, Harvard, Vancouver, ISO, and other styles
8

Михайленко, Дмитро Геннадійович, Дмитрий Геннадьевич Михайленко, Dmytro Hennadiiovych Mykhailenko, Жан Володимирович Деркач, Жан Владимирович Деркач, and Zhan Volodymyrovych Derkach. "Прогнозування банкрутства підприємства на основі використання апарату нейронної мережі." Thesis, Видавництво СумДУ, 2010. http://essuir.sumdu.edu.ua/handle/123456789/15570.

Full text
APA, Harvard, Vancouver, ISO, and other styles
9

Чернец, В. В., Євгеній Анатолійович Лавров, Евгений Анатольевич Лавров, Yevhenii Anatoliiovych Lavrov, and Н. Л. Барченко. "Формирование данных для оценивания процесса функционирования в системе электронного обучения." Thesis, Сумский государственный университет, 2015. http://essuir.sumdu.edu.ua/handle/123456789/40880.

Full text
Abstract:
Введение. Технология предполагает наличие механизмов оценивания вариантов организации обучения для конкретных людей, обращающихся к системе, исходя из их индивидуальных особенностей и предпочтений. Главной проблемой такой технологии является отсутствие данных для эргономической оценки качества функционирования процесса обучения.
APA, Harvard, Vancouver, ISO, and other styles
10

Александренко, Т. В. "Нейронна мережа в задачі управління параметрами клімату при зберіганні борошна." Master's thesis, Сумський державний університет, 2021. https://essuir.sumdu.edu.ua/handle/123456789/86781.

Full text
Abstract:
У роботі приведений аналіз технологічного процесу зберігання борошна як об'єкта автоматизації; огляд та аналіз сучасних способів застосування нейронних мереж для управління складними технічними системами; розробка структурно-параметричної моделі безтарного зберігання борошна; розробка математичної моделі об'єкта управління; розробка структури та алгоритму нейромережевого регулятора; побудова імітаційної моделі безтарного зберігання борошна в AnyLogic.
APA, Harvard, Vancouver, ISO, and other styles
More sources

Book chapters on the topic "Нейронна мержа"

1

Приймак, В. І., С. М. Вишневська, and А. І. Трач. "ІНТЕЛЕКТУАЛЬНИЙ КАПІТАЛ І ЦИФРОВА ЕКОНОМІКА В СИСТЕМІ СТАЛОГО РОЗВИТКУ." In Economics, management and administration in the coordinates of sustainable development. Publishing House “Baltija Publishing”, 2021. http://dx.doi.org/10.30525/978-9934-26-157-2-23.

Full text
Abstract:
Досліджено економічну сутність інтелектуального капіталу в сучасну епоху постіндустріального суспільства. Висвітлено його суспільне значення як визначального чинника економічного зростання та конкурентоспроможності держави. Обґрунтовано, що становлення економіки знань впливає на розвиток інтелектуального капіталу. Розглянуто системоутворюючі складові частини інтелектуального капіталу. Аргументовано необхідність застосування інтелектуального аналізу для оцінювання людського, організаційного, соціального та інформаційного складників інтелектуального капіталу. Узагальнено науково-методичні підходи до кластеризації регіонів України за оцінкою основних складників інтелектуального капіталу. За допомогою розробленої математичної моделі, основою якої є штучна нейронна мережа карт самоорганізації Кохонена, запропоновано підхід до поділу цих регіонів на кластери. Використання розглянутих у роботі методів аналізу рівня розвитку інтелектуального капіталу дасть змогу точніше вибрати напрями підвищення ефективності державного управління в умовах цифрової економіки для сталого розвитку держави.
APA, Harvard, Vancouver, ISO, and other styles

Reports on the topic "Нейронна мержа"

1

Пермякова, О. С., and Сергій Олексійович Семеріков. Застосування нейронних мереж у задачах прогнозування. Видавничий центр КТУ, November 2008. http://dx.doi.org/10.31812/0564/923.

Full text
Abstract:
Нейронна мережа – це набір нейронів, певним чином зв’язаних між собою. Тришаровий перцептрон – нейромережа, яка досить проста за структурою й у той же час широко використається для розв’язання прикладних завдань.
APA, Harvard, Vancouver, ISO, and other styles
You might also be interested in the extended bibliographies on the topic 'Нейронна мержа' for particular source types:
Journal articles Dissertations / Theses
We offer discounts on all premium plans for authors whose works are included in thematic literature selections. Contact us to get a unique promo code!

To the bibliography